博文
基于最优工况迁移的高炉铁水硅含量预测方法
|
引用本文
蒋朝辉, 许川, 桂卫华, 蒋珂. 基于最优工况迁移的高炉铁水硅含量预测方法. 自动化学报, 2022, 48(1): 194−206 doi: 10.16383/j.aas.c200980 Jiang Zhao-Hui, Xu Chuan, Gui Wei-Hua, Jiang Ke. Prediction method of hot metal silicon content in blast furnace based on optimal smelting condition migration. Acta Automatica Sinica, 2022, 48(1): 194−206 doi: 10.16383/j.aas.c200980 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200980?viewType=HTML 文章简介 关键词 高炉炼铁, 铁水硅含量, 预测, 工况迁移, 密度峰值聚类 摘 要 高炉铁水硅含量是铁水品质与炉况的重要表征, 冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战. 提出一种基于最优工况迁移的高炉铁水硅含量预测方法. 首先, 针对过程变量频繁波动问题, 提出基于邦费罗尼指数的自适应密度峰值聚类算法, 实现对高炉冶炼过程变量的工况划分, 并建立不同工况硅含量预测子模型. 其次, 针对冶炼过程的大时滞特性, 定义相邻时间节点间的硅含量工况迁移代价函数, 并提出多源路径寻优算法, 实现冶炼过程中硅含量最优工况迁移路径及当前时刻硅含量最优预测值的求解. 最后, 基于工业现场数据验证了所提方法的有效性与准确性. 引 言 高炉炼铁是钢铁生产的核心流程, 其冶炼过程如图1所示. 布料系统从高炉炉顶投入烧结矿、焦炭、熔剂等炼铁物料, 热风系统与煤粉喷吹系统从高炉下部风口鼓入高温热风及煤粉, 在炉内高温条件下生成氢气、一氧化碳等还原性气体. 伴随冶炼过程进行, 下降的炉内物料与上升的高温煤气流接触, 经还原、软化、熔融、脱碳, 形成铁水, 最终与炉渣从出铁口一起排出. 图 1 高炉炼铁工艺 高炉铁水硅含量是冶炼过程的关键性能指标, 表征了高炉炉缸热状态及其变化趋势, 同时与高炉炉况和铁水质量密切相关. 目前, 工业现场铁水硅含量主要依靠人工采样后离线化验的方式获取. 采样过程具有一定危险性, 化验过程耗时耗力, 数据不具有时效性, 不能为高炉冶炼提供及时的反馈信息. 因此, 实现铁水硅含量实时高精度预测, 能够帮助现场及时评估高炉冶炼状态以及调整布料、送风等操作制度, 进而为优化冶炼过程操作、实现精细化调控提供数据支撑, 对保证炉况稳定、提升产品质量、降低冶炼能耗具有重大实际意义. 当前硅含量预测模型主要分为机理模型与数据驱动模型. 机理模型根据反应过程中的热状态、动力学特性、物料守恒特性等进行分析建模, 为认识冶炼过程及炉内现象起到了积极作用. 但机理模型建模复杂, 模型性能受高炉自身参数、运行状态、传感器分布及精度的影响, 不具有良好的普适性, 难以应用于工业现场硅含量在线预测. 随着集散控制系统和工业互联网的发展, 反映高炉冶炼过程的海量数据存储在历史数据库中, 为基于数据驱动的铁水硅含量预测提供了数据支持. 数据驱动模型成为当前的研究热点, 线性自回归模型、状态空间模型、偏最小二乘模型、T-S模糊模型、支持向量机、Wiener模型、神经网络模型、随机权神经网络等广泛应用于硅含量预测, 但均存在一定局限性. 例如, 偏最小二乘模型、最小二乘支持向量机主要基于统计学指标进行优化, 预测结果依赖于指标的选取, 模型难以适应复杂的高炉炉况, 预测精度较差; Wiener模型具有短期记忆特性, 但在一定时间后, 模型的预测精度会显著下降, 模型需重新训练, 模型的稳定性较差; 神经网络模型没有充分利用冶炼过程历史数据, 忽视了硅含量的渐变性, 不能克服冶炼过程工况复杂多变及大时滞特性, 在变量相关性不稳定及过程参数频繁波动情况下稳定性较差. 文献[23]融合神经网络与Bootstrap预报方法, 实现了硅含量数值预报并给出可信度; 文献[24-25]提出集成建模方法, 对高炉铁水硅含量、铁水温度等多元铁水指标进行了综合预报. 现有数据驱动模型在硅含量预测上取得了一定的积极效果. 但是, 当冶炼过程中的过程变量频繁波动时, 硅元素物理、化学反应环境剧烈变化, 导致硅含量数据波动大以及过程变量相关性不稳定, 过程变量分布呈现显著非平衡性, 硅含量预测结果存在较大不确定性, 在过程参数频繁波动情况下模型的稳定性不足; 并且, 冶炼过程存在大时滞特性, 高炉出铁周期为2 h ~ 3 h, 单一时刻的过程变量难以全面反映整个冶炼过程的信息, 炉况波动时, 预测精度显著下降. 针对上述问题, 本文提出了一种基于最优工况迁移的铁水硅含量预测方法. 首先, 为提高高炉炉况波动时模型的稳定性, 本文提出基于邦费罗尼指数的自适应密度峰值聚类算法, 对过程变量进行动态聚类, 划分为不同工况下的过程变量数据集, 并对不同工况变量进行单独建模. 划分工况能够避免数据的非平衡特性给模型带来的影响, 进而显著提高工况波动时的硅含量预测精度. 其次, 为充分利用历史硅含量信息以克服冶炼过程的大时滞特性, 提出相邻时间节点间硅含量工况迁移代价函数与多源路径寻优算法. 通过历史硅含量预测值与化验值对当前时刻硅含量预测值进行寻优, 在复杂工况条件下取得了良好的预测效果. 最后, 通过工业实验表明, 所提基于最优工况迁移的硅含量预测方法能够降低高炉运行过程参数波动给模型预测精度带来的影响, 在提升模型预测精度的同时显著增加了模型预测性能的稳定性. 图 2 基于最优工况迁移的建模策略 图 17 模型预测误差 图 18 硅含量预测值与实际值散点图 作者简介 蒋朝辉 中南大学自动化学院教授, 鹏城实验室研究员. 2011年获得中南大学博士学位. 主要研究方向为光电信息感知, 图像处理, 人工智能, 工业VR和智能优化控制. E-mail: jzh0903@csu.edu.cn 许 川 中南大学自动化学院博士研究生. 主要研究方向为复杂工业过程建模, 数据分析和机器学习. 本文通信作者. E-mail: csuxuchuan@csu.edu.cn 桂卫华 中国工程院院士, 中南大学自动化学院教授, 鹏城实验室研究员. 1981年获得中南矿冶学院硕士学位. 主要研究方向为复杂工业过程建模与最优控制, 分布式鲁棒控制和故障诊断. E-mail: gwh@csu.edu.cn 蒋 珂 中南大学自动化学院博士研究生. 2019年获得中南大学硕士学位. 主要研究方向为数据驱动的工业过程建模与控制, 过程数据分析和机器学习. E-mail: jiangke@csu.edu.cn 相关文章 [1] 周平, 刘记平, 梁梦圆, 张瑞垚. 基于KPLS鲁棒重构误差的高炉燃料比监测与异常识别. 自动化学报, 2021, 47(7): 1661-1671. doi: 10.16383/j.aas.c180579 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180579 [2] 温亮, 周平. 基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制. 自动化学报, 2021, 47(11): 2600-2613. doi: 10.16383/j.aas.c180741 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180741 [3] 蒋珂, 蒋朝辉, 谢永芳, 潘冬, 桂卫华. 基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法. 自动化学报. doi: 10.16383/j.aas.c210524 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210524 [4] 李温鹏, 周平. 高炉铁水质量鲁棒正则化随机权神经网络建模. 自动化学报, 2020, 46(4): 721-733. doi: 10.16383/j.aas.2018.c170670 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170670 [5] 周平, 刘记平. 基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计. 自动化学报, 2018, 44(3): 552-561. doi: 10.16383/j.aas.2018.c160840 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160840 [6] 周平, 张丽, 李温鹏, 戴鹏, 柴天佑. 集成自编码与PCA的高炉多元铁水质量随机权神经网络建模. 自动化学报, 2018, 44(10): 1799-1811. doi: 10.16383/j.aas.2018.c170299 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170299 [7] 丁进良, 杨翠娥, 陈立鹏, 柴天佑. 基于参考点预测的动态多目标优化算法. 自动化学报, 2017, 43(2): 313-320. doi: 10.16383/j.aas.2017.c150811 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c150811 [8] 蒋朝辉, 董梦林, 桂卫华, 阳春华, 谢永芳. 基于Bootstrap的高炉铁水硅含量二维预报. 自动化学报, 2016, 42(5): 715-723. doi: 10.16383/j.aas.2016.c150574 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150574 [9] 宋贺达, 周平, 王宏, 柴天佑. 高炉炼铁过程多元铁水质量非线性子空间建模及应用. 自动化学报, 2016, 42(11): 1664-1679. doi: 10.16383/j.aas.2016.c150819 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150819 [10] 许美玲, 韩敏. 多元混沌时间序列的因子回声状态网络预测模型. 自动化学报, 2015, 41(5): 1042-1046. doi: 10.16383/j.aas.2015.c140604 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2015.c140604 [11] 韩敏, 王亚楠. 基于Kalman滤波的储备池多元时间序列在线预报器. 自动化学报, 2010, 36(1): 169-173. doi: 10.3724/SP.J.1004.2010.00169 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00169 [12] 吴奇, 严洪森, 王斌. 基于鲁棒小波ν-支持向量机的产品销售预测模型. 自动化学报, 2009, 35(7): 1227-1232. doi: 10.3724/SP.J.1004.2009.01027 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.01027 [13] 郜传厚, 渐令, 陈积明, 孙优贤. 复杂高炉炼铁过程的数据驱动建模及预测算法. 自动化学报, 2009, 35(6): 725-730. doi: 10.3724/SP.J.1004.2009.00725 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.00725 [14] 玄兆燕, 杨公训. 经验模态分解法在大气时间序列预测中的应用. 自动化学报, 2008, 34(1): 97-101. doi: 10.3724/SP.J.1004.2008.00097 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2008.00097 [15] 王永利, 周景华, 徐宏炳, 董逸生, 刘学军. 时间序列数据流的自适应预测. 自动化学报, 2007, 33(2): 197-201. doi: 10.1360/aas-007-0197 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0197 [16] 陈雪如, 杨成梧. 随机2-D FMⅡ模型的状态估计. 自动化学报, 2001, 27(1): 131-135. http://www.aas.net.cn/cn/article/id/16572 [17] 王志忠. 基于最优组合的一类非线性建模方法及其在预测中的应用. 自动化学报, 1998, 24(6): 843-844. http://www.aas.net.cn/cn/article/id/16769 [18] 于印章, 汪凤泉, 曹祖庆. 监测及预报系统变化的自回归模型参数分析法. 自动化学报, 1996, 22(5): 638-640. http://www.aas.net.cn/cn/article/id/17097 [19] 王秀峰, 刘丹. 非线性系统辨识--GMDH的一种新算法及其应用. 自动化学报, 1990, 16(4): 310-316. http://www.aas.net.cn/cn/article/id/14784 [20] 陈铁军, 邱祖廉. 一类大时间滞后系统的预估. 自动化学报, 1989, 15(6): 487-492. http://www.aas.net.cn/cn/article/id/14860 
https://blog.sciencenet.cn/blog-3291369-1334941.html
上一篇：大规模超环神经网络分岔动力学
下一篇：【精选导读】基于学习的多智能体系统协作控制
